zurück zur Suche

Introduction to Deep Learning

IN2346B Elective Modules6 ECTSEnglischSommersemesterDepartment Computer Science

In 42 Stundenplänen von Kommilitonen

KI-überarbeitetes Infoblatt. Auf Basis der TUMonline-Modulbeschreibung, sprachlich aufbereitet.Original in TUMonline

Worum geht's

In diesem Modul lernst du die Grundlagen und aktuelle Methoden des Deep Learning kennen, mit besonderem Schwerpunkt auf neuronalen Netzen und Convolutional Neural Networks. Du verstehst Theorie (z. B. Backpropagation, SGD, Regularisierung) und erwirbst praktische Erfahrung beim Trainieren und Optimieren von Netzarchitekturen, sodass du einfache Anwendungen wie Ziffernerkennung oder Bildklassifikation lösen kannst.

Was du danach kannst

  • Verständnis der theoretischen Konzepte hinter neuronalen Netzen
  • Kenntnis von Optimierungsverfahren wie SGD und Backpropagation
  • Fähigkeit, CNNs zu entwerfen, zu trainieren und zu optimieren
  • Praktische Anwendung von Deep-Learning-Frameworks (z. B. PyTorch)
  • Durchführung einfacher Computer-Vision-Aufgaben (z. B. Klassifikation)

Aus was das Modul besteht

  • VorlesungVermittlung der theoretischen Aspekte von neuronalen Netzwerken und Deep-Learning-Architekturen
  • praktische Sitzungen/ÜbungenHands-on-Training: Implementieren, Trainieren und Testen von Modellen; vertraut machen mit Frameworks wie PyTorch

Lehrmethode

  • VorlesungErklärung von Theorie und Methoden, insbesondere für Computer-Vision-bezogene Architekturen
  • praktische ÜbungenErfahrung sammeln durch viele Trainings- und Testläufe sowie Anwendung in realen Problemen

Termine

Vorlesung mit ÜbungIntroduction to Deep Learning (IN2346)

Aus dem laufenden Semester, unverbindlich.

Modulbewertungen

Noch keine Bewertungen für dieses Modul.

Modul bewerten

Fülle nur die Kategorien aus, die du beurteilen kannst – je Kategorie entweder Sterne und Text zusammen oder gar nichts.

Vorlesung
Übung
Prüfung

Bewertungen werden vor der Veröffentlichung automatisch geprüft.

Offizielle Seite in TUMonline · Angaben unverbindlich.